.jpg)
Resumen: Presentamos una metodología novedosa para la optimización de formulaciones de fotoresinas basada en optimización de Pareto multiobjetivo y en un gemelo digital impulsado por una red neuronal informada por la física PINN. El objetivo es maximizar resolución, resistencia al ataque por plasma y adhesión simultáneamente en fotoresinas químicamente amplificadas con resinas tipo novolac, explorando de forma inteligente el espacio composicional mediante simulación acelerada por GPU y selección estocástica de candidatos.
Introducción: La miniaturización en la fabricación de semiconductores exige materiales con rendimiento sobresaliente. La formulación tradicional basada en ensayo y error es lenta y costosa. Proponemos un marco de trabajo basado en datos que combina modelado físico y algoritmos evolutivos para acelerar el descubrimiento de formulaciones de alto rendimiento y reducir la necesidad de ensayos experimentales extensivos.
Marco teórico y problema: Las fotoresinas químicamente amplificadas experimentan generación de fotoácido, difusión ácida y reacciones de desprotección que determinan la resolución y otras propiedades. La composición incluye resina, generador de fotoácido PAG, amortiguador y disolvente. Buscamos optimizar tres objetivos conflictivos: minimizar el tamaño de característica mínima, minimizar la tasa de ataque en plasma y maximizar la adhesión. Planteamos el problema como optimización multiobjetivo y aplicamos estrategias estocásticas para cubrir interacciones no lineales.
Metodología propuesta: Integramos una PINN que actúa como gemelo digital con algoritmos de optimización multiobjetivo NSGA-II. La PINN incorpora términos de pérdida que combinan error frente a datos experimentales y residuos de las ecuaciones de difusión y cinética química, con factores de ponderación ajustables. Esta red se entrena con un conjunto limitado de datos experimentales y permite predecir rendimiento para formulaciones no ensayadas. NSGA-II explora el espacio de diseño generando poblaciones sucesivas y obteniendo un frente de Pareto que recoge las mejores compensaciones entre objetivos. Además se incorpora control microestructural dinámico incluyendo parámetros de proceso como velocidad de spin y temperatura de horneado para optimizar in situ.
Representación matemática simplificada: la función de pérdida de la PINN se escribe como una suma de pérdida por datos y pérdidas residuales derivadas de las ecuaciones físicas. El vector de objetivos f(x) = f1(x), f2(x), f3(x) representa resolución, tasa de etch y adhesión en función del vector x de parámetros de formulación y proceso. El algoritmo evolutivo busca aproximar el frente de Pareto minimizando simultáneamente esos objetivos mediante selección no dominada, cruce y mutación.
Diseño experimental y validación: Se sintetizan formulaciones seleccionadas en el frente de Pareto y se caracterizan mediante TEM, DAXS y perfilometría. El proceso litográfico estándar incluye exposición, PEB y revelado. La resolución se evalúa por SEM, la resistencia al etch por etchado con plasma fluorocarbonado y la adhesión por ensayos de pelado tipo cinta. Los resultados experimentales actualizan el entrenamiento de la PINN mediante validación cruzada para asegurar generalización y reducir error absoluto medio por debajo de umbrales predefinidos.
Resultados y discusión: Los formulados optimizados muestran mejoras significativas en resistencia al etch en el rango aproximado de 15 a 30 por ciento respecto al referente, manteniendo resolución y mejorando adhesión en muchos casos. El frente de Pareto facilita la selección de formulaciones según prioridades industriales. El enfoque demuestra capacidad predictiva robusta con error experimental reducido gracias a la síntesis de restricciones físicas en la PINN y a la exploración eficiente del espacio por NSGA-II.
Escalabilidad y futuras direcciones: El marco es escalable mediante entrenamiento en GPU y puede enriquecerse con modelos de reacción más detallados, aprendizaje activo para seleccionar experimentos con mayor información y extensión a otras químicas de fotoresinas. La robustez del gemelo digital también permite plantear control en tiempo real del proceso fabril para ajustes automáticos de parámetros.
Aplicabilidad empresarial y servicios asociados: Este tipo de investigación conecta con soluciones software avanzadas que Q2BSTUDIO ofrece para la industria. Desde desarrollo de herramientas de simulación a medida hasta sistemas de optimización y control, nuestra experiencia en aplicaciones a medida y software a medida permite transformar modelos científicos en productos industriales. Además integramos soluciones de servicios de inteligencia artificial y arquitecturas para producción que facilitan la adopción de agentes IA y pipelines de inferencia en la nube, así como despliegues robustos en plataformas cloud. Para integraciones y despliegues en entornos gestionados ofrecemos soporte en servicios cloud aws y azure que aceleran el entrenamiento de modelos complejos y la puesta en producción.
Impacto técnico y ventajas: La combinación de PINN y optimización multiobjetivo reduce drásticamente el número de ensayos experimentales necesarios, acorta tiempos de desarrollo y aumenta la probabilidad de descubrir formulaciones superiores. La adición de control microestructural proporciona un grado extra de libertad para adaptar formulaciones a requisitos de proceso reales. Limitaciones y retos incluyen la necesidad de datos experimentales fiables y la complejidad computacional asociada a modelos fisicoquímicos detallados.
Conclusión: La estrategia propuesta representa un cambio de paradigma en el diseño de fotoresinas, uniendo aprendizaje informado por la física, optimización evolutiva y capacidades de gemelo digital para acelerar la innovación material. Q2BSTUDIO aporta la experiencia en desarrollo de software, inteligencia artificial, ciberseguridad y servicios cloud para llevar estas soluciones del laboratorio a la línea de producción, ofreciendo integraciones a medida, agentes IA, servicios inteligencia de negocio y soporte en power bi para la visualización y explotación de resultados experimentales y de proceso.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
Acerca de Q2BSTUDIO: Empresa especializada en desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad y soluciones cloud. Ofrecemos desde auditorías de seguridad y pentesting hasta plataformas de inteligencia de negocio y automatización de procesos para transformar datos en valor.
